基于WTGWO的无线传感器网络三维部署优化方法

王志强　陈力园　代蛟

摘要： 为优化无线传感器网络的部署问题， 提出一种新的无线传感器网络三维部署优化方法. 在增强灰狼优化算法的基础上， 通过在外层位置更新策略中引入自适应权重方法， 平衡了增强灰狼优化算法开发与勘探之间的搜索. 在马鞍形曲面山坡上进行仿真实验， 实验结果表明， 在50个节点下， 该方法在保证连通的情况下最高覆盖率可达97.58%， 平均覆盖率可达96.74%， 与其他算法相比提高了1.64%～3.87%， 可以有效提升无线传感器网络的覆盖率， 增强无线传感器网络的服务质量.

关键词： 通信工程； 灰狼优化算法； Tent映射； 自适应权重； 无线传感器网络

中图分类号： TP212.9； TN929.5 文献标志码： A文章编号： 1671-5489（2024）02-0410-07

Three-Dimensional  Deployment Optimization Method ofWireless Sensor Network Based on WTGWO

WANG Zhiqiang1， CHEN Liyuan2， DAI Jiao3

（1. The Ninth Design and Research Institute of Machinery Industry Co.， Ltd， Changchun 130011， China；2. Changchun Branch of China Telecom Co.， Ltd.， Changchun 130033， China;3. FAW Jiefang Automobile Co.， Ltd.， Changchun 130011， China）

Abstract： In order to optimize the deployment of wireless sensor networks， we proposed  a new  3D deployment optimization method of wireless sensor networks. On the basis of enhanced gray wolf optimization algorithm， an adaptive weight method was introduced in the outer position update strategy to  balance the search between the development and exploration of the enhanced gray wolf optimization algorithm. Simulation experiments were carried out on the saddle-shaped curved slope， and the experimental results show that under 50 nodes， the proposed method can achieve the highest coverage rate of 97.58%， and the average coverage rate can reach 96.74% while ensuring connectivity， which is an increase of 1.64%—3.87% compared with other algorithms. It can effectively improve the coverage of wireless sensor networks and enhance the service quality of wireless sensor networks.

Keywords： communication engineering; gray wolf optimization algorithm; Tent mapping; adaptive weight; wireless sensor network

随着5G通讯技术和物联网应用的快速发展，无线传感器网络（WSN）［1-3］的应用开始普遍化. 无线传感器网络在智能交通［4］、 边境安全监测［5］和健康监测等许多领域应用广泛［6］. 无线传感器网络的服务质量与无线传感器网络的覆盖相关， 因此优化无线传感器部署， 扩大无线传感器网络覆盖率至关重要. 无线传感器部署环境包括二维（2D）和三维（3D）， 在2D环境中优化无线传感器的部署， 扩大无线传感器网络的覆盖范围较简单， 且已经有许多较理想的部署方法. 但在实际应用中， 加强无线传感器在3D环境中的部署， 扩大其覆盖范围更具有应用价值， 尤其是加强无线传感器在3D表面上的部署. 这样不仅可以降低无线传感器网络部署的成本， 同时还可以加强无线传感器网络的服务质量.

Cao等［7］基于非概率测度的融合算子提出了一个改进的三维方向感知模型， 并将其应用在平原、 丘陵和山脉3种3D环境中进行仿真实验， 实验结果表明， 该模型可以有效优化无线传感器的部署. Bhat等［8］提出了一种基于距离缩小定位（RRBL）的定位算法， 将其应用于无线传感器在2D和3D环境中的部署， 实验结果表明， 该方法与其他定位算法相比性能有所提高. 上述研究虽然优化了无线传感器的部署， 但还存在优化的空间.

群体智能优化算法目前已被应用到各种优化问题中， 如最短路径问题、 医疗分类问题［9］和系统资源分配问题等. Du［10］将分布式粒子群优化（DPSO）算法和三维虚拟力（VF）算法相结合， 并将其应用于无线传感器在3D环境中的部署， 实验结果表明， 在不考虑通信限制 （CL）的情况下， 该方法的性能優于其他方法. Tang等［11］提出了一种基于Voronoi图（VNSGA）的非支配排序遗传算法， 并将其用于解决无线传感器网络的部署问题， 实验结果表明， 该算法在不同距离大小的两种地形上均优于对比算法. 因此， 将群体智能优化算法应用到无线传感器网络部署优化问题中可有效加强无线传感器网络的部署， 扩大其覆盖面积. 基于此， 本文将应用改进后的灰狼优化算法（WTGWO）解决无线传感器网络在3D环境中的部署问题.

1 实验方法

1.1 WSN优化问题

1.1.1 覆盖优化

无线传感器网络覆盖和部署的数学模型包括覆盖率计算［12］、 网络连通性的判断［13］和网络部署情况［14］等. 在无线传感器网络中， 分别用rp和Rc表示感知半径和通信半径.

1.2.4 外层优化

在外层优化中， 文献［13］采用与传统灰狼算法一致的位置更新策略. 但传统灰狼优化算法还存在开发和勘探之间不平衡的问题， 为解决该问题， 本文在灰狼优化算法外围位置更新策略中引入了自适应权重方法［16］. 自适应权重方法种类有很多， 本文选用呈指数变化的自适应权重方法. 自适应权重方法可以使算法在前期具有较强的全局搜索能力， 并随着迭代次数的增长使权重呈指数减小， 以此逐渐增强算法的局部搜索能力. 自适应权重方法数学建模公式为w=e（-10t/maxt）2.（16）经过优化后的外围位置更新公式为1=wα-1·α，

1.2.5 增强灰狼算法应用于WSN优化

本文实验主要为解决无线传感器网络的覆盖问题， 因此应用覆盖率构建适应度函数， 步骤如下：

步骤1） 设置曲面长[WTBX]L和宽W、 传感器数量N、 感知半径rp和通信半径Rc、 维度dim等；

步骤3） 根据式（14）Tent映射初始种群及相关参数；

步骤3） 根据式（8），（9）对距离进行更新；

步骤4） 根据式（16），（17）外层优化对位置进行更新；

步骤5） 根据式（11）～（13）判断是否为最大迭代次数， 否则返回步骤3）， 到达最大迭代次数， 记录覆盖率， 判断是否连通以及连通率、 三维和二维部署图等.

2 实验设置及结果

2.1 实验设置

本文实验基于MATLAB实现. 模拟环境为马鞍形曲面山坡， 结果显示了50个节点下无线传感器网络原始二维部署图、 三维部署图及利用本文优化算法优化后的最优二维部署图、 三维部署图. 为验证本文算法的有效性， 设置了对比实验. 对比实验选取其他3个常用的群体智能优化算法在同样环境下优化无线传感器网络部署， 分别是灰狼优化算法、 遗传优化算法（genetic algorithm， GA）、 粒子群优化算法（particle swarm optimization， PSO）， 并绘制了对比折线图. 为验证本文算法在连通性方面的优越性， 针对30，40，50个节点分别记录了经过不同算法优化的无线传感器网络的连通率以及平均覆盖率. 实验独立重复20次， 迭代次数设置为400， 初始种群数为50. 为降低仿真实验难度， 本文实验根据文献［13］中设置的实验环境设置相同的马鞍形曲面山坡环境[15]. 同时为简化优化模型， 做如下假设：

1） 无线传感器节点总能根据计算结果部署在准确位置；

2） 不考虑节点的能量问题.

2.2 实验结果

2.2.1 WTGWO优化结果

原始部署如图2所示， 展示了在50个节点下随机部署无线传感器的二维部署图和三维部署图. WTGWO优化结果如图3所示， 展示了在50个节点下经过WTGWO优化后达到最优覆盖率的二维部署图和三维部署图. 图2和图3中， 红点表示节点位置， 黑点表示被覆盖的位置. 由图2和图3可见， 在随机部署下， 无线传感器部署较凌乱， 且存在很多未被覆盖的区域， 但在经过WTGWO优化后， 无线传感器部署的较均匀， 且实现了最大面积覆盖， 覆盖率可达97.58%. 为验证经过WTGWO算法优化后的无线传感器网络的连通性， 本文实验应用Kruskal算法生成了无线传感器网络最小生成树， 结果如图4所示. 由图4可见， 经过WTGWO算法优化后的无线传感器网络在达到最优覆盖率的同时也保证了连通， 说明本文实验提出的WTGWO算法可以优化无线传感器网络的部署.

2.2.2 对比实验

为验证本文算法的有效性， 将WTGWO算法与其他3个常用的群体智能优化算法进行比较. 覆盖率对比结果如图5所示， 其展示了在30，40，50个节点下， WTGWO算法与其他算法随着迭代次数的增加覆盖率的变化情况. 由图5可见， 虽然在40个节点下GWO和PSO算法似乎达到了与WTGWO算法同样的覆盖率， 但在30和50个节点下， 本文提出的WTGWO算法覆蓋率都最好. 尤其在50个节点下， WTGWO算法的曲线大部分都高于其他算法的曲线， 表明WTGWO算法的收敛速度明显快于其他算法.

为进一步证明WTGWO算法的有效性， 表1列出了WTGWO算法与其他算法在30，40，50个节点下的连通率及平均覆盖率对比结果.

由表1可见： 在30个节点下， 所有算法都不能保证连通; 在40个节点下只有WTGWO和GWO算法能保证连通， 在保证连通的情况下， WTGWO算法覆盖率最好; 在50个节点下， 所有算法都能保证连通， 但WTGWO算法达到了最好覆盖率. 因此在保证无线传感器网络连通的情况下， 本文算法可达到最高覆盖率. 与其他算法相比， 本文算法最适用于无线传感器网络的三维部署.

综上所述， 为优化增强灰狼优化算法的寻优能力， 本文在其外围位置更新策略中引入了自适应权重方法. 自适应权重方法可以随着迭代次数的增加调整权重的大小， 进而控制算法增强全局搜索能力， 或者是增强局部搜索能力， 从而可以平衡灰狼优化算法开发与勘探之间的搜索. 为优化无线传感器网络的三维部署， 应用该算法在马鞍形曲面山坡上进行了无线传感器网络三维部署优化仿真实验. 实验结果表明， 本文算法可以在相同节点的情况下保证网络的连通率， 同时达到最大覆盖率. 从而在保证无线传感器网络服务质量的基础上， 达到降低无线传感器网络部署成本的目的.

参考文献

［1］YU J T， YU Z， DING M L， et al. Research on the Tenacity Survivability of Wireless Sensor Networks ［J］. Journal of Ambient Intelligence and Humanized Computing， 2020， 11（9）： 3535-3544.

［2］LI M， JIANG F， PEI C. Review on Positioning Technology of Wireless Sensor Networks ［J］. Wireless Personal Communications， 2020， 115（3）： 2023-2046.

［3］CHEN X， WU T. Region Segmentation Model for Wireless Sensor Networks Considering Optimal Energy Conservation Constraints ［J］. Journal of Networks Software Tools and Applications， 2019， 22： S7507-S7514.

［4］CII S， TOMASINI G， BACCI M L， et al. Solar Wireless Sensor Nodes for Condition Monitoring of Freight Trains ［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（5）： 3995-4007.

［5］ZRELLI A， EZZEDINE T. A New Approach of WSN Deployment， K-Coverage and Connectivity in Border Area ［J］. Wireless Personal Communications， 2021， 121（4）： 3365-3381.

［6］HAO X H， YUEN K V， KUOK S C. Energy-Aware Versatile Wireless Sensor Network Configuration for Structural Health Monitoring ［J］. Structural Control & Health Monitoring， 2022， 29（11）： 17-1-17-21.

［7］CAO B， ZHAO J W， L Z H， et al. 3D Terrain Multiobjective Deployment Optimization of Heterogeneous Directional Sensor Networks in Security Monitoring ［J］. IEEE Transactions on Big Data， 2019， 5（4）： 495-505.

［8］BHAT S J， SANTHOSH K V. Localization of Isotropic and Anisotropic Wireless Sensor Networks in 2D and 3D Fields ［J］. Telecommunication Systems， 2022， 79（2）： 309-321.

［9］BHARANIDHARAN N， RAJAGURU H. Performance Enhancement of Swarm Intelligence Techniques in Dementia Classification Using Dragonfly-Based Hybrid Algorithms ［J］. International Journal of Imaging Systems and Technology， 2020， 30（1）： 57-74.

［10］DU Y Z. Method for the Optimal Sensor Deployment of WSNs in 3D Terrain Based on the DPSOVF Algorithm ［J］. IEEE Access， 2020， 8： 140806-140821.

［11］TANG Y F， HUANG D C， LI R， et al. A Non-dominated Sorting Genetic Algorithm Based on Voronoi Diagram for Deployment of Wireless Sensor Networks on 3D Terrains ［J］. Electronics， 2022， 11（19）： 1-23.

［12］LI Q Y， LIU N Z. Nodes Deployment Algorithm Based on Data Fusion and Evidence Theory in Wireless Sensor Networks ［J］. Wireless Personal Communications， 2021， 116（2）： 1481-1492.

［13］WANG Z D， XIE H M. Wireless Sensor Network Deployment of 3D Surface Based on Enhanced Grey Wolf Optimizer ［J］. IEEE Access， 2020， 8： 57229-57251.

［14］XU J， LIU Y Z， MENG Y Y. Analysis and Simulation of Reliability of Wireless Sensor Network Based on Node Optimization Deployment Model ［J］. Journal of Networks Software Tools and Applications， 2019， 22： S7585-S7591.

［15］GAO Z J， LIU Z Y， WANG L C. An Image Encryption Algorithm Based on the Improved Sine-Tent Map ［J］. Discrete Dynamics in Nature and Society， 2021， 2021： 9187619-1-9187619-16.

［16］TONG R N， LI P， LANG X， et al. A Novel Adaptive Weighted Kernel Extreme Learning Machine Algorithm and Its Application in Wind Turbine Blade Icing Fault Detection ［J］. Measurement， 2021， 185： 110009-1-110009-20.

（責任编辑： 韩 啸）

收稿日期： 2023-06-30. 网络首发日期： 2024-01-02.

第一作者简介： 王志强（1987—）， 男， 汉族， 硕士， 副高级工程师， 从事新能源汽车产业数字化和智能化的研究， E-mail： 8777412@qq.com.

通信作者简介： 陈力园（1987—）， 女， 汉族， 硕士， 工程师， 从事无线通信的研究， E-mail： 18943150373@189.cn.

基金项目： 吉林省科技发展计划项目（批准号： 20200204065NY）.

网络首发地址： https：//link.cnki.net/urlid/22.1340.o.20231229.1022.001.